Der „Einkäufer“ als Schnittstelle zwischen den technischen Anforderungen der Bauteile, den kaufmännischen Rahmenbedingungen, den logistischen Herausforderungen und einer Vielzahl von Informationen bspw. Historie-und Strategiedaten etc. sollte vielfältige Kompetenzen vereinen.
Eine herausfordernde Fragestellung ist dabei, wie kann eine Person die unterschiedlichen Facetten beherrschen und zudem rational gewichtet Entscheidungen fällen, um den passenden Lieferanten auszuwählen, vorhandene Lieferanten zu entwickeln oder systematisch einen Warenkorb auf die Lieferanten optimal umzuverteilen. Der Einsatz von KI-gestützten Softwaretools kann dabei helfen, diese Komplexität beherrschbarer zu machen und transparente Entscheidungen zu fällen.
Was bedeutet das für den Einkäufer der Zukunft?
Der Einkäufer der Zukunft
- verhandelt nicht mehr, sondern gibt dem Lieferanten den Preis vor.
- liest aus Preisinformationen ab, welche Fertigungsverfahren der Lieferanten zur Fertigung einsetzen.
- schreibt gezielt nur die Lieferanten an, die sicher ein Angebot stellen werden.
- filtert „mehrdimensional“ Bauteile und Warengruppen, sodass schneller Erkenntnisse gesammelt werden, die zur gezielten Entscheidung notwendig sind.
- beschafft Warengruppen ggfs. nur noch nach Mengeneinheiten beispielsweise in Kilogramm.
Es mag sein, dass dies nach einer Fiktion klingt, dennoch sind Teillösungen heute schon möglich. Eine Datenstrategie und eine darauf aufbauende Digitalisierungsstrategie reduzieren die Komplexität und steigern die Transparenz. Dadurch lassen sich über den Einkauf kurzfristige Einsparungserfolge erzielen. Die vorhandenen Daten im Unternehmen erhalten einen direkten monetären „Wert“, wodurch der Bedarf an einer Daten-/Digitalisierungsstrategie zu arbeiten, wiederum gestützt wird.
Erfolgsfaktoren für einen durchgängigen Datenfluss
Damit dies gelingt sind nachfolgende Erfolgsfaktoren von Bedeutung:
1. Identifikation der Datenquellen:
Vorhandene IT-Systemen in Form von ERP, CAD, PLM / PDM und Datenquellen wie Excel, PDF sind die Ausgangsbasis für alle Arbeiten mit Daten. Die Besonderheit steckt lediglich in der Sicherstellung der Verfügbarkeit sowie der Definition, welche Daten in welchen Systemen erhoben, weiterverarbeitet oder vorgehalten werden. Eine eindeutige Definition der Quelle stellt die Verantwortlichkeit und die daraus resultierende Datenpflege sicher. Die Herausforderung für den Menschen in diesem System ist eine Affinität zu Daten, die Motivation sich von der Komplexität herausfordern zu lassen und gleichzeitig auf die Kraft der Datenbereinigung zu vertrauen. Denn das Ergebnis wird ein unvollständiger Datensatz sein. Gekennzeichnet von keinerlei Vernetzung zwischen den Systemen (bspw. ERP – CAD), unzureichende oder falsche Artikelattribute, unterschiedliche Artikelnummern und Bezeichnungen, eine Vielzahl an ähnlichen Artikeln oder Dubletten, fehlende oder inkonsistente Materialgruppenstrukturen.
2. Bereinigung und Komplettierung der Daten:
Zur Erzielung von Skaleneffekten im Einkauf sind die vorhandenen Daten zu bereinigen und zu komplettieren. Das Bereinigen beschreibt bspw. das Eliminieren von Dubletten. Die Komplettierung ist der weitaus interessantere Schritt. Mittels Algorithmen des maschinellen Lernens und der Anwendung von Data Mining, lässt sich ein konsistenter Datensatz erzeugen. Das maschinelle Lernen sorgt für eine automatisierte Artikelklassifizierung und daraus folgend für ein automatisiertes Materialgruppenmanagement. Das Data Mining konsolidiert die relevanten Kostentreiber/Bauteil, sodass ein konsistenter Datensatz entsteht, der technische und kaufmännische Attribute beinhaltet.
3. Einsatz von Data Analytics unter Berücksichtigung der Entscheidungskompetenz
Da jedes noch so erdenkliche Beschaffungsteil nun um ein Vielfaches an unterschiedlichen Attributen (Werkstoff, Länge, Breite, Toleranzen, Oberflächen, Losgrößen, Abmessungen, Gewichte…) angereichert ist, sind analytische Verfahren notwendig, um an gezielte Informationen für den Einkauf zu gelangen. Ein „mehrdimensionales“ Filtern versetzt den Einkäufer in die Lage, sehr fundierte Informationen zum Preis, zu Bauteilähnlichkeiten, zum Teileportfolio des Lieferanten und zur Identifikation von Bündelungshebeln zu erhalten. Zudem unterstützt die KI auf Basis der zahlreichen Attribute bei der Berechnung von logischen Sollpreisen, wodurch eine gute Preisstruktur von einer schlechten Preisstruktur unterschieden werden kann. Die Unternehmensdaten erhalten dadurch einen Wert, da so der Einkauf direkte Stellhebel zur Kostenreduzierung erkennen kann.
4. Einsatz von Preisvorhersagetools unter Berücksichtigung der Entscheidungskompetenz
Auf Basis der konsistenten Datenstrukturen können Preisableitungen für Konstruktionsbauteile auf Basis von Kostentreiberattributen prognostiziert werden. Rückwirkend beschleunigt dies den Konstruktionsprozess, da dann Bauteil preissensitiv gestaltet werden können. Zugleich lässt sich durch eine retrospektive Betrachtung der Ähnlichkeit der Bauteile, bezogen auf die Lieferantenstruktur, der vermeintlich wahrscheinlichste Lieferant benennen. Dies reduziert die Prozesskosten im Einkauf.
5. Ableitung von strategischen Daten- und Digitalisierungsstrategie
Werden alle vorhandenen IT-, und KI-Tools richtig genutzt, ist das Ergebnis ein fundierte Management der Datenquelle, sodass konsistente Daten- und Digitalisierungsstrategien entstehen, wodurch der Einkauf sein Potenzial abschöpfen kann. Zugleich können Konstruktionsaufwände und Prozesskosten in der gesamten Organisation eingespart werden, wodurch der Wert der Daten exponentiell für das Unternehmen ansteigt.
6.. Einleitung eines Change Prozesses im Einkauf
Bei aller Verfügbarkeit der Daten und deren Verarbeitung liegt die besondere Herausforderungen auf der Implementierung eines Change Prozesses im Einkauf. Ja, die Macht der Daten wird Potenziale aufzeigen und Stellhebel mit drastischen Einsparungsmaßnahmen sichtbar machen. Dies bedeutet aber nicht, dass vorher die Arbeit des Einkaufs oder des Warengruppenmanagements weniger gut war. Die neuen Möglichkeiten ergeben sich aus einer gesteigerten Transparenz, die es möglich macht die Komplexität besser zu beherrschen. Auch visierte Einkäufer sind einfach nicht in der Lage diese Komplexität annähernd so gut zu beherrschen wie es KI kann. Denn das übersteigt einfach die Fähigkeiten eines Menschen.
Dies sollte die Organisation des Einkaufs aber nicht davon abhalten, verstärkt die Daten- und Informationstransparenz im Unternehmen einzufordern, da diese einen maximalen Mehrwert für das Unternehmen daraus erzielen kann. Aus dem Einkauf heraus kann die dargestellte Vorgehensweise zur Sensibilisierung der Gesamtorganisation zur Findung einer Daten- und Digitalisierungsstrategie beitragen, da eine kurzfristige „messbare“ Kosteneinsparung eintritt.
Referenzprojekte im Rahmen der beschriebenen Vorgehensweise verfügen über eine Laufzeit von 1 bis 3 Monaten, wodurch je nach Warengruppe 5 bis 25% Kosteneinsparungen möglich sind. Eine wissenschaftliche Begleitung sorgt derzeit dafür, die analytischen Anforderungen an den Einkauf der Zukunft zu erforschen.
Über den Autor
Jens Mehmann
… studierte an der Hochschule Osnabrück Wirtschaftsingenieurwesen mit den Schwerpunkten Fertigungstechnik und Logistik. Seine wissenschaftliche Karriere startete er als Mitarbeiter der Hochschule Osnabrück in dem Projekt „European Regions for Innovative Productivity (ERIP)“. Hier entwickelte er anhand von Referenzunternehmen im Ammerland Lean Management–Einführungsmethoden und gründetet im Jahr 2010 auf Basis der gesammelten Erkenntnisse die Technische Unternehmensberatung Leannova GmbH & Co. KG. Neben der wissenschaftlichen Arbeit war Mehmann seitdem als geschäftsführender Gesellschafter der Leannova GmbH & Co.KG tätig.
Von Juni 2012 bis August 2016 promovierte der Wirtschaftsingenieur im Fachgebiet Unternehmensrechnung und Wirtschaftsinformatik (UWI) an der Universität Osnabrück. In seiner Promotion thematisierte er die Optimierung logistischer Prozesse und Verfahren insbesondere in der Supply Chain der Schüttgutlogistik.
Seit Oktober 2017 verwaltete Jens Mehmann eine Professur für Fertigungswirtschaft an der Hochschule Osnabrück. Seit August 20218 ist er Professor für Supply Chain Management an der Jade Hochschule, Wilhelmshaven.
Der Autor
Prof. Dr. Jens Mehmann, Professur für Supply Chain Management und -Operations, Fachbereich Seefahrt und Logistik an der Jade Hochschule, Wilhelmshaven
